現在主流の畳み込みニューラルネットワークに基づくエッジ検出手法は、受容野の範囲や微細なエッジ認識に限界があります。視覚トランスフォーマーの発展に伴い、そのグローバルなモデリング能力と柔軟な情報交流機構はエッジ検出タスクに新たな可能性をもたらしました。本論文では、この問題を解決するために、視覚トランスフォーマーと多段階集約ピラミッドおよび多尺度注意集約モジュールを組み合わせたエンコーダ・デコーダモデルTFEdgeを提案し、高精度なエッジ検出を目的としています。本モデルはDilated Neighborhood Attention Transformerをバックボーンネットワークとして導入し、多段階の積み重ね設計により画像のグローバルなコンテキスト情報と局所的なエッジ手がかりを抽出します。同時に、多段階集約特徴ピラミッドを設計し、各段階の浅層および深層特徴を集約して浅層特徴により豊富な意味情報を付与し、画像ノイズの抑制とあいまいな境界の検出能力向上を図っています。最後に、注意機構に基づく多尺度注意集約モジュールを提案し、特徴マップのクロススケール空間およびチャネル注意情報を集約し、特徴表現をさらに強化します。実験はBSDS500およびNYUDv2データセットで行い、TFEdgeはBSDS500でODSおよびOIS Fスコアがそれぞれ0.857および0.874、NYUDv2ではそれぞれ0.788および0.801を達成しました。複数の既存手法と比較して、TFEdgeは定量的および定性的結果において優れたエッジ検出性能を示しました。

エッジ検出;Transformer;注意機構;多段階集約特徴ピラミッド;多尺度注意強化